Pengenalan huruf untuk sandi kotak menggunakan metode Backpropagation

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. PENGENALAN HURUF UNTUK SANDI KOTAK MENGGUNAKAN METODE BACKPROPAGATION. SKRIPSI. Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Program Studi Teknik Informatika. Oleh: Oktaviani NIM: 125314070. PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA 2018.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. CHARACTER RECOGNATION OF SANDI KOTAK USING BACKPROPAGATION METHOD. A THESIS. Presented as Partial Fulfillment of Requirements To Obtain Sarjana Komputer Degree In Informatics Engineering Department. By : Oktaviani 125314070. INFORMATICS ENGINEERING STUDY PROGRAM INFORMATICS ENGINEERING DEPARTMENT FACULTY OF SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY YOGYAKARTA 2018.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. iii.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. iv.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. MOTTO. “Memulai dengan penuh keyakinan Menjalankan dengan penuh keikhlasan Menyelesaikan dengan penuh kebahagiaan”. “Berjuang tanpa putus asa dan memetik buah manis di kemudian hari”. v.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. vi.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. vii.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. ABSTRAK. Sandi Kotak adalah salah satu sandi yang digunakan dalam kegiatan kepramukaan. Untuk mengenali suatu obyek dibutuhkan proses pembelajaran, yang didapat melalui ciri-ciri dan pengalaman dalam mengamati suatu obyek yang serupa. Metode yang bisa digunakan untuk mengenali pola tersebut salah satunya adalah metode Jaringan Syaraf Tiruan Backpropagation. Pada Backpropagation, dibentuk sebuah jaringan Syaraf Tiruan dengan struktur layer input, layer tersembunyi dan layer output. Dalam pelatihan jaringan tersebut layer tersembunyi mempunyai fungsi aktivasi yang berpengaruh pada alat tersebut. Tujuan dari penelitian ini adalah mengetahui kemampuan metode backpropagation dalam mengenali sandi kotak dan mengetahui berapa besar prosentase keakuratan penggunaan metode Backpropagation dalam pengenalan sandi kotak. Pada penelitian ini digunakan pencirian menghitung mean dan standar deviasi untuk histogram kolom, menghitung mean dan standar deviasi untuk histogram baris, menghitung titik hitam pada segmentasi 9 kemudian menghitung mean dan standar deviasinya. Hasil yang diperoleh adalah ketika menggunakan 6 ciri dengan tingkat keberhasilan sebesar 100%. Dari hasil yang diperoleh dalam penelitian maka penelitian ini dinyatakan berhasil dalam membuktikan bahwa metode backpropagation mampu mengenali sandi kotak.. viii.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. ABSTRACT. Sandi Kotak is one of the codes used in scouting activities. To recognize an object requires a learning process, obtained through the characteristics and experience in observing a similar object. Methods that can be used to recognize the pattern one of them is Neural Network Backpropagation. In backpropagation, a neural network formed with the structure of input layer, hidden layer and output layer. In the network training the hidden layer has an activation function that affects the tool. The purpose of this research is to know the ability of backpropagation method in recognizing Sandi Kotak and to know how big the percentage of accuracy of using Backpropagation method in Sandi Kotak recognition. This study used the calculation of the mean and standard deviation for the column histogram, calculating the mean and standard deviation for the histogram line, calculating the black dot on segmentation 9 then calculating the mean and standard deviation. The results obtained are when using 6 feature with a success rate of accuracy 100%. From the results obtained in the research, this research is declared successful in proving that the backpropagation method is able to recognize Sandi Kotak.. ix.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. KATA PENGANTAR. Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa, sehingga penulis dapat menyelesaikan tugas akhir dengan judul “Pengenalan Huruf untuk Sandi Kotak menggunakan Metode Backpropagation”. Tugas akhir ini merupakan salah satu mata kuliah wajib dan sebagai syarat akademik untuk memperoleh gelar sarjana computer program Teknik Informatika Universitas Sanata Dharma Yogyakarta. Pada kesempatan ini, penulis ingin mengucapkan terima kasih kepada pihak-pihak yang telah membantu penulis selama penelitian maupun saat mengerjakan tugas akhir ini. Ucapan terima kasih sebesar-besarnya penulis sampaikan kepada: 1. Tuhan Yesus Kristus, atas kasih-Nya yang melimpah, penyertaan, dan segala pertolongan yang diberikan dalam proses pembuatan tugas akhir. 2. Dr. Cyprianus Kuntoro Adi, SJ., M.A., M.Sc selaku dosen pembimbing tugas akhir sekaligus dosen pembimbing akademik, atas bimbingan, waktu dan saran yang telah diberikan kepada penulis. 3. Dr. Anastasia Rita Widiarti M.Kom selaku ketua program studi Teknik Informatika, atas bimbingan, kritik dan saran yang telah diberikan kepada penulis. 4. Seluruh dosen Teknik Informatika atas ilmu yang diberikan selama kuliah. 5. Kedua orang tua penulis, Mamah dan Papah, serta kakak-kakak (Cici, Yano, Rara, Roby, Vivin dan Lius) untuk dukungan, kasih sayang dan doa yang mengiringi. 6. Kak Widodo yang telah memberikan bantuan dan saran dalam pembuatan tugas akhir. 7. Sahabat-sahabat (Eva, Lia, Mery, Wegi, Daniel, Alex dan Andreas) yang selalu memberikan support dalam menyelesaikan tugas akhir ini.. x.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. xi.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. DAFTAR ISI. HALAMAN JUDUL………………………………………………………….i HALAMAN PENGESAHAN………………………………………………..iv MOTTO……………………………………………………………………….v PERNYATAAN KEASLIAN KARYA……………………………………..vi LEMBAR PERPUSTAKAAN………………………………………………vii ABSTRAK……………………………………………………………………viii KATA PENGANTAR……………………………………………………….x DAFTAR ISI…………………………………………………………………xii DAFTAR TABEL…………………………………………………………..xiv DAFTAR GAMBAR……………………………………………………….xv BAB I PENDAHULUAN……………………………………………….…1 1.1. Latar Belakang………………………………………………. 1 1.2. Rumusan Masalah…………………………………………… 2 1.3. Tujuan Penelitian…………………………………………….. 2 1.4. Manfaat………………….…………………………………….2 1.5. Batasan Masalah………………………………………………2 1.6. Sistematika Penulisan…………………………………………3 BAB II LANDASAN TEORI……………………………………………...4 2.1. Sandi Kotak……………………………………………………4 2.2. Pengolahan Citra Digital……………………………………...5 2.3. Jaringan Syaraf Tiruan………………………………………8 BAB III METODE PENELITIAN………………………………………18 3.1. Data……………………………………………………………18 3.2. Spesifikasi Perangkat………………………………………...19 3.3. Prosedur Kerja……………………………………………….20. xii.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. 3.4. Gambaran Umum Sistem……………………………………30 3.5. Rancangan Implementasi…………………………………….31 3.6. Model Desain…………………………………………………31 3.7. Skenario Pengujian…………………………………………..32 BAB IV HASIL UJI DAN ANALISIS…………………………………..33 4.1. Hasil Uji……………………………………………………....33 4.2. Testing Data Tunggal………………………………………..48 4.3. Analisis Data…………………………………………………50 BAB V PENUTUP………………………………………………………..51 5.1. Kesimpulan…………………………………………………...51 5.2. Saran……………………………………………………….....51 DAFTAR PUSTAKA…………………………………………….………52. xiii.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. DAFTAR TABEL. Tabel 2.1. Sandi Kotak………………………………………………………..5 Tabel 3.1. Motif Sandi Kotak………………………………………………...27 Tabel 3.2. Contoh target dan output………………………………………….28 Tabel 4.1. 3-Fold Cross Validation……………………………………….…..33 Tabel 4.2. Hasil Akurasi seluruh percobaan pengujian…………………….…34 Tabel 4.3. Output program jaringan backpropagation pada ciri 1………….…36 Tabel 4.4. Output program jaringan backpropagation pada ciri 2………….…37 Tabel 4.5. Output program jaringan backpropagation pada ciri 3………….…38 Tabel 4.6. Output program jaringan backpropagation pada ciri 4…………….39 Tabel 4.7. Output program jaringan backpropagation pada ciri 5………….…40 Tabel 4.8. Output program jaringan backpropagation pada ciri 6………….…41 Tabel 4.9. Output program jaringan backpropagation pada percobaan 2….….42 Tabel 4.10. Output program jaringan backpropagation pada percobaan 3……43 Tabel 4.11. Output program jaringan backpropagation pada percobaan 4……44 Tabel 4.12. Output program jaringan backpropagation pada percobaan 5……46 Tabel 4.13. Output program jaringan backpropagation pada percobaan 6……47 Tabel 4.14. Hasil Testing Data………………………………………………..48. xiv.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. DAFTAR GAMBAR. Gambar 2.1. Arsitektur Jaringan Layar Tunggal……………………………..…10 Gambar 2.2. Arsitektur Jaringan Layar Jamak……………………………….....11 Gambar 2.3. Struktur Jaringan Backpropagation……………………………….12 Gambar 2.4. Fungsi Aktivasi Linier………………………………………….…13 Gambar 2.5. Fungsi Aktivasi Sigmoid Biner………………………………...…13 Gambar 2.6. Fungsi Aktivasi Sigmoid Bipolar…………………………………13 Gambar 3.1. Motif Sandi Kotak…………………………………………..……18 Gambar 3.2. Contoh Motif Sandi Kotak menggunakan Pensil dan Spidol….…19 Gambar 3.3. Blog Diagram Sistem………………………………………….….20 Gambar 3.4. Contoh Gambar Scan yang telah dipotong…………………….…21 Gambar 3.5. Perubahan Citra setelah dilakukan Complement………………....22 Gambar 3.6. Perubahan Citra setelah dilakukan thinning………………..…….22 Gambar 3.7. Contoh Citra dibagi menjadi 9 segmen……………………..……24 Gambar 3.8. Arsitektur 1 hidden layer……………………………………..….29 Gambar 3.9. User Interface Menu Utama…………………………………..…31 Gambar 4.1. Grafik Perubahan Akurasi…………………………………...…..35 Gambar 4.2. Grafik Perubahan Akurasi Ciri 1…………………………..……37 Gambar 4.3. Grafik Perubahan Akurasi Ciri 2………………………..………38 Gambar 4.4. Grafik Perubahan Akurasi Ciri 3………………………..………39 Gambar 4.5. Grafik Perubahan Akurasi Ciri 4…………………………..……40 Gambar 4.6. Grafik Perubahan Akurasi Ciri 5…………………………..…....41 Gambar 4.7. Grafik Perubahan Akurasi Ciri 6…………………………..……42 Gambar 4.8. Grafik Perubahan Akurasi Percobaan 2…………………..…….43 Gambar 4.9. Grafik Perubahan Akurasi Percobaan 3…………………...……44 Gambar 4.10. Grafik Perubahan Akurasi Percobaan 4…………………...…..45. xv.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Gambar 4.11. Grafik Perubahan Akurasi Percobaan 5……………….……..47 Gambar 4.12. Grafik Perubahan Akurasi Percobaan 6……………….……..48. xvi.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. BAB 1 PENDAHULUAN. 1.1. Latar Belakang Kata sandi berasal dari bahasa sansakerta yang artinya rahasia, sandi adalah suatu kode rahasia dan hanya orang tertentu yang mengetahui kerahasiaannya. Khususnya dalam kegiatan pramuka banyak dikenal berbagai macam sandi, salah satunya ialah sandi kotak. Sandi kotak sendiri mempunyai banyak variasi diantaranya sandi kotak I, sandi kotak II, sandi kotak III dan sejenisnya. Dalam kegiatan pramuka sandi digunakan untuk melatih diri dalam menyelesaikan masalah namun tidak semua manusia dapat mengerti dan menerjemahkan setiap sandi. Untuk menerjemahkan sebuah sandi ke dalam huruf latin, seseorang harus mengetahui masing-masing kunci untuk huruf latin. Tiap sandi memiliki kunci yang berbeda-beda untuk membuat dan menerjemahkannya. Telah dilakukan penelitian untuk konversi sandi kotak rangkap (sandi kotak II) ke huruf latin dengan penerapan metode backpropagation, jaringan syaraf tiruan oleh Letsoin (2010). Tujuan dari peneliti tersebut untuk membuktikan apakah dengan metode backpropagation dapat mengenali pola sandi kotak sehingga dapat digunakan untuk konversi ke huruf. latin.. Hasil. dari. penelitian. membuktikan. bahwa. metode. backpropagation dapat mengenali pola sandi kotak sehingga dapat digunakan untuk konversi ke huruf latin dan mendapatkan presentase ketepatan sebesar 75,6410%. Berhubungan dengan masalah pengenalan pola, Jaringan Syaraf Tiruan (JST) sudah banyak digunakan, misalnya untuk pengenalan huruf, angka, suara dan untuk mengenali tanda tangan. Dalam JST terdapat. 1.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. banyak metode yang dapat digunakan untuk mengenali pola. Berbeda dengan penelitian yang dilakuan oleh Letsoin (2010), dalam tugas akhir ini penulis melakukan penelitian untuk pengenalan huruf untuk sandi kotak I menggunakan jaringan syaraf tiruan backpropagation.. 1.2. Rumusan Masalah a) Apakah pendekatan backpropagation mampu mengenali sandi kotak dengan baik? b) Berapa. presentase. keberhasilan. pengenalan. sandi. kotak. menggunakan metode backpropagation?. 1.3. Tujuan Penelitian a) Mengetahui apakah metode backpropagation dapat mengenali sandi kotak dengan baik. b) Mengetahui persentase keberhasilan pengenalan sandi kotak menggunakan metode backpropagation.. 1.4. Manfaat a) Bagi peneliti Dapat mengetahui metode backpropagation dapat digunakan sebagai alat dalam mengenali sandi kotak I. b) Bagi peneliti lain Dapat digunakan sebagai bahan studi untuk dikembangkan menjadi alat yang lebih baik.. 1.5. Batasan Masalah Adapun batasan dalam sistem ini adalah. a) Sistem ini hanya dapat melakukan konversi satu arah, yaitu bentuk Sandi Kotak ke dalam bentuk huruf. b) Format gambar yang digunakan bertipe .png. 2.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. 1.6. Sistematika Penulisan BAB 1. PENDAHULUAN Berisi latar belakang, rumusan masalah, tujuan, batasan masalah, dan sistematika penulisan.. BAB 2. DASAR TEORI Berisi landasan teori yang dipakai dalam pengenalan sandi kotak,. meliputi. pengenalan. sandi. kotak,. algoritma. backpropagation , dan jaringan syaraf tiruan.. BAB 3. METODE PENELITIAN Bab ini berisi Metode Penelitian mengenai tahap-tahap perancangan penelitian yang akan dibangun, meliputi pengumpulan data, pemrosesan dan pengolahan data, dan perancangan alat uji yang dibuat.. BAB 4. HASIL UJI DAN ANALISIS Bab ini berisi hasil pengujian program yang telah dibuat dan analisis dari keseluruhan pengujian.. BAB 5. PENUTUP Bab ini berisi penutup yang merupakan kesimpulan dari hasil program yang telah dibuat dan saran untuk penelitian selanjutnya.. 3.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. BAB 2 DASAR TEORI. Bab ini berisi mengenai teori-teori yang mendukung dalam penelitian ini. Teori-teori yang digunakan dalam penelitian ini antara lain mengenai sandi kotak, pengolahan citra digital, ekstraksi ciri dan jaringan syaraf tiruan metode backpropagation. Metode backpropagation digunakan untuk proses pengenalan dalam perancangan alat uji. 2. 1. Sandi Kotak Sandi merupakan alat atau aksara yang digunakan untuk berkomunikasi yang hanya diketahui oleh kelompok tertentu. Kata sandi berasal dari bahasa sansakerta yang artinya rahasia, sandi adalah suatu kode rahasia. Secara umum, sandi dalam perkembangan teknologi saat ini dapat diartikan sebagai hal yang berhubungan dengan pengamanan informasi yang bersifat rahasia dan dilakukan secara terstruktur, sandi dibuat dengan mempunyai tujuan tertentu. Khususnya dalam kegiatan pramuka, sandi sudah banyak dikenal dan digunakan untuk berkomunikasi dalam keadaan tertentu. Terdapat banyak macam sandi yang dikenal dalam kepramukaan, salah satunya ialah sandi kotak. Sandi kotak sendiri mempunyai banyak variasi diantaranya sandi kotak I, sandi kotak II, dan sandi kotak III. Setiap sandi kotak mempunyai rumus yang berbeda. Dalam penelitian ini, sandi yang digunakan adalah sandi kotak I. Sandi kotak I terdiri dari dua bagian. Bagian pertama berbentuk kotakkotak terdiri dari garis vertical dan garis horizontal dan bagian kedua berbentuk tanda silang. Sandi kotak berjumlah 26 motif (Chabib Rohman, 2016). Motif sandi kotak dapat dilihat dari tabel dibawah ini.. 4.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Tabel 2.1. Sandi Kotak. 2. 2. A. B. C. D. E. F. G. H. I. J. K. L. M. N. O. P. Q. R. S. T. U. V. W. X. Y. Z. Pengolahan Citra Digital Istilah pengolahan citra digital menyatakan “pemrosesan gambar berdimensi dua melalui computer digital” (Jain,1989). Menurut Efford (2000), pengolahan citra adalah istilah umum untuk berbagai teknik yang keberadaannya untuk memanipulasi dan memodifikasi citra dengan berbagai cara. Foto adalah contoh gambar berdimensi dua yang dapat diolah dengan mudah. Setiap foto dalam bentuk citra digital (berasal dari kamera digital) dapat diolah melalui perangkat lunak tertentu. Sebagai contoh, apabila hasil bidikan kamera terlihat agak gelap, citra dapat diolah menjadi lebih terang. Sebuah citra digital adalah kumpulan piksel-piksel yang disusun dalam larik dua dimensi. Indeks baris dan kolom (x,y) dari sebuah piksel. 5.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. dinyatakan dalam bilangan bulat dan nilai-nilai tersebut mendefinisikan suatu ukuran intensitas cahaya pada titik tersebut. Satuan atau bagian terkecil dari suatu citra disebut piksel (picture element). Proses yang dilakukan dari pembuatan aplikasi ini dimulai dari preprocessing, ekstraksi ciri, kemudian hasil ekstraksi ciri dimasukkan ke dalam pelatihan arsitektur jaringan syaraf tiruan, setelah itu akan diperoleh model jaringan yang menghasilkan tingkat keberhasilan tertinggi, dan akan dilakukan uji pada sebuah data yang telah di ekstraksi ciri. 1. Preprocessing Preprocessing adalah pengolah citra menjadi bentuk dari citra lama menjadi citra yang baru. Tujuan dari preprocessing diantaranya adalah untuk menghilangkan noise, memperjelas features(fitur) data, memperkecil/memperbesar ukuran data, dan mengkonversi data asli agar diperoleh data yang sesuai kebutuhan. Beberapa yang dilakukan adalah mengubah citra warna ke citra keabuan lalu ke citra hitam putih. Citra warna adalah citra yang terbentuk atas representasi 3 keping warna yaitu RGB (Red, Green, dan Blue). Masing-masing dari keeping warna ini memiliki besar yang sama dan mempresentasikan warna yang terdekat dengan intensitas 0225. Citra keabuan adalah citra yang merupakan rerata dari 3 keping warna RGB yang dimampatkan menjadi warna keabuan yang hanya memiliki 1 keping warna saja dengan intensitas 0-225. Citra hitam putih atau citra biner adalah citra yang hanya memiliki 1 keping warna saja dengan intensitas 0-1.. 2. Binerisasi Binerisasi citra merupakan proses merubah citra ke dalam bentuk biner (0 dan 1). Dengan merubah citra ke dalam bentuk. 6.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. biner, citra hanya akan mempunyai dua warna yaitu hitam dan putih. Pembentukan citra biner memerlukan nilai batas keabuan yang akan digunakan sebagai nilai patokan. Piksel dengan derajat keabuan lebih besar dari nilai batas akan diberi nilai 1 dan sebaliknya piksel dengan derajat keabuan lebih kecil dari nilai akan diberi nilai 0. Persamaan untuk binerisasi dapat dilihat pada rumus dibawah ini. 𝑎 , 𝑓(𝑥, 𝑦) < 𝑇 𝑓(𝑥, 𝑦)′ = { 1 𝑎2 , 𝑓(𝑥, 𝑦) ≥ 𝑇. …… (1). Nilai 𝑎1 biasanya bernilai 0 dan nilai 𝑎2 bernilai 1. 3. Pengubahan Ukuran Citra Pengubahan ukuran citra atau yang biasa disebut resizing adalah mengubah ukuran citra menjadi sesuai dengan yang kita butuhkan.. Dalam. matlab. terdapat. fungsi. imresize. yang. menggunakan metode interpolasi untuk pengubahan ukuran citra. Interpolasi adalah perhitungan rerata nilai pixel yang bertetangga untuk nantinya ditempatkan pada ukuran citra yang baru.. 4. Penipisan Citra Penipisan citra (thinning) merupakan operasi pemrosesan reduksi citra biner yang dalam hal ini objek (region) menjadi rangka (skeleton) yang menghampiri garis sumbu objek. Tujuan dari penipisan citra ini adalah untuk mengurasi bagian yang tidak perlu (redundant) sehingga dihasilkan informasi yang esensial saja.. 5. Ciri Histogram Histogram citra merupakan diagram yang menggambarkan distribusi frekuensi nilai intensitas warna dalam suatu citra. Sumbu horizontal merupakan nilai intensitas warna sedangkan sumbu. 7.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. vertical merupakan frekuensi/jumlah piksel. Histogram dapat merepresentasikan karakteristik dari suatu citra.. 6. Segmentasi 9 Bagian Segmentasi citra merupakan proses yang ditujukan untuk mendapatkan objek-objek yang terkandung didalam citra atau membagi citra kedalam beberapa daerah dengan setiap objek atau daerah memiliki kemiripan atribut.. 7. Ciri Intensitas dalam Segmen Pada dasarnya intensitas citra bernilai 0 dan 1. Pada citra yang sudah ke dalam bentuk biner dilakukan penjumlahan nilai intensitas citra baik horizontal (baris) maupun vertical (kolom) dalam tiap segmen. Dalam penelitian ini proses yang dilakukan adalah mengubah citra ke warna keabuan, setelah itu diubah ke citra hitam putih. Citra hitam putih tersebut kemudian dilakukan binerisasi, pengubahan ukuran citra, penipisan citra, ciri histogram, segmentasi 9 bagian, dan ciri intensitas dalam segmen. 2. 3. Jaringan Syaraf Tiruan (Backpropagation) Jaringan syaraf tiruan (JST) adalah system pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi (Siang, 2009). Jaringan syaraf tiruan dibentuk sebagai model matematika dari syaraf biologis dengan asumsi bahwa: 1. Pemrosesan informasi terjadi pada neuron yang dianggap elemen sederhana. 2. Sinyal dikirim melalui penghubung dari neuron satu ke neuron selanjutnya.. 8.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. 3. Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal. 4. Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan input yang diterima. Besarnya output ini selanjutnya dibandingkan dengan suatu atas ambang.. Jaringan syaraf tiruan ditentukan oleh 3 hal: 1. Pola hubungan antar neuron (disebut arsitektur jaringan) 2. Metode untuk menentukan bobot penghubung (disebut metode training/learning/algoritma 3. Fungsi aktivasi Beberapa arsitektur jaringan yang sering dipakai dalam jaringan syaraf tiruan antara lain: 1. Jaringan Layar Tunggal (Single Layer Network) Dalam jaringan ini, sekumpulan input neuron dihubungkan langsung dengan sekumpulan outputnya. Dalam beberapa model (misal perceptron), hanya ada sebuah unit neuron output.. 9.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Gambar 2.1. Arsitektur jaringan layar tunggal Gambar 2.1 menunjukkan arsitektur jaringan dengan unit n unit input (X₁,X₂, …, Xₙ) dan m buah unit output (Y₁,Y₂, …, Yₙ).. 2. Jaringan Layar Jamak (Multi Layer Network) Jaringan layar jamak merupakan perluasan dari layar tunggal. Dalam jaringan ini, selain unit input dan output, ada unitunit lain (sering disebut layar tersembunyi). Dimungkinkan pula ada beberapa layar tersembunyi. Sama seperti pada unit input dan output, unit-unit dalam satu layar tidak saling berhubungan.. 10.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Gambar 2.2. Arsitektur jaringan layar jamak Gambar 2.2 adalah jaringan dengan n buah unit input (X₁,X₂, …, Xₙ), sebuah layar tersembunyi yang terdiri dari p buah unit (Z₁,…, Zₚ) dan m buah unit output (Y₁,Y₂, …, Yₙ). Jaringan layar jamak dapat menyelesaikan masalah yang lebih kompleks dibandingkan dengan layar tunggal, meskipun kadangkala proses pelatihan lebih kompleks dan lama. 3. Jaringan Recurrent Model jaringan recurrent mirip dengan jaringan layar tunggal ataupun ganda. Hanya saja, ada neuron output yang memberikan sinyal pada unit input (sering disebut feedback loop). Backpropagation (propagasi balik) adalah jaringan syaraf tiruan yang menggunakan konsep jaringan berlapis jamak. Jaringan syaraf propagasi balik terdiri dari lapisan masukan (input), lapisan keluaran (output), dan lapisan diantara input dan output yang disebut lapisan tersembunyi (hidden). Lapisan tersembunyi bisa terdiri lebih dari 1 lapis. 11.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. dan ini dapat mempengaruhi proses training pada sebuah jaringan syaraf tiruan.. Gambar 2.3. Struktur jaringan backpropagation Dalam backpropagation, fungsi aktivasi yang dipakai harus memenuhi beberapa syarat yaitu kontinu, terdiferensial dengan mudah dan merupakan fungsi yang tidak turun. Fungsi aktivasi yang sering digunakan dalam propagasi balik (Fatia, tanpa tahun) adalah: 1. Fungsi linier (identitas) Fungsi linier memiliki nilai output yang sama dengan nilai inputnya. Gambar 2.4. Fungsi Aktivasi Linier (Matlab, tanpa tahun). 12.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. 2. Fungsi sigmoid biner Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1. Gambar 2.5. Fungsi Aktivasi Sigmoid Biner (Matlab, tanpa tahun). 3. Fungsi sigmoid bipolar Fungsi sigmoid bipolar memiliki nilai pada range -1 sampai 1.. Gambar 2.6. Fungsi Aktivasi Sigmoid Bipolar (Matlab, tanpa tahun) Proses pelatihan jaringan syaraf tiruan backpropagation meliputi 3 fase (Siang, 2009) yaitu propagasi maju, propagasi mundur, dan perubahan bobot. Fase pertama adalah fase propagasi maju, pola masukan dihitung maju mulai dari layar masukan hingga layar keluaran menggunakan fungsi aktivasi yang ditentukan. Fase kedua adalah fase propagasi mundur, selisih antara keluaran jaringan dengan target yang diinginkan merupakan kesalahan yang terjadi. Kesalahan tersebut dipropagasikan mundur, dimulai dari garis yang berhubungan langsung dengan unit-unit dilayar keluaran. Fase ketiga adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi.. 13.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. 1. Fase I : Propagasi maju Selama propagasi maju, sinyal masukan (=xᵢ) dipropagasikan ke layar tersembunyi menggunakan fungsi aktivasi yang ditentukan. Keluaran dari setiap unit layar tersembunyi (=zⱼ) tersebut selanjutnya dipropagasikan maju lagi ke layar tersembunyi diatasnya menggunakan fungsi aktivasi yang ditentukan. Demikian seterusnya sehingga menghasilkan keluaran jaringan (=yₖ). Berikutnya, keluaran jaringan (=yₖ) dibandingkan dengan target yang harus dicapai (=tₖ). Selisih tₖ-yₖ adalah kesalahan yang terjadi. Jika kesalahan ini lebih kecil dari batas toleransi yang ditentukan, maka iterasi dihentikan. Akan tetapi apabila kesalahan masih lebih besar dari batas toleransinya, maka bobot setiap garis dalam jaringan akan dimodifikasi untuk mengurangi kesalahan yang terjadi. 2. Fase II : Propagasi mundur Berdasarkan kesalahan tₖ-yₖ, dihitung factor ₖ (k=1,2,…,m) yang dipakai untuk mendistribusikan kesalahan di unit yₖ ke semua unit tersembunyi yang terhubung langsung dengan yₖ. ₖ juga dipakai untuk mengubah bobot garis yang berhubungan langsung dengan unit keluaran. Dengan cara yang sama, dihitung factor ⱼ di setiap unit dilayar tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari unit tersembunyi dilayar bawahnya. Demikian seterusnya hingga semua factor  di unit tersembunyi yang berhubungan langsung dengan unit masukan dihitung. 3. Fase III : Perubahan bobot Setelah semua factor  dihitung, bobot semua garis dimodifikasi bersamaan. Perubahan suatu garis didasarkan atas factor  neuron dilayar atasnya. Sebagai contoh, perubahan bobot garis yang menuju ke layar keluaran didasarkan atas ₖ yang ada di unit keluaran. Ketiga fase tersebut di ulang-ulang terus hingga kondisi penghentian dipenuhi. Umumnya kondisi penghentian yang sering dipakai adalah jumlah iterasi atau kesalahan. Iterasi akan dihentikan jika jumlah iterasi yang. 14.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. dilakukan sudah melebihi jumlah maksimum iterasi yang ditetapkan, atau jika kesalahan yang terjadi sudah lebih kecil dari batas toleransi yang diijinkan. Langkah langkah algoritma pelatihan untuk jaringan dengan satu layar tersembunyi menurut Siang (Siang, 2009) adalah sebagai berikut: Langkah 0 : Inisialisasi semua bobot dengan bilangan acak kecil Langkah 1 : Jika kondisi oenghentian belum terpenuhi, lakukan langkah 2-9 langkah 2 : Untuk setiap pasang data pelatihan, lakukan langkah 3-8 Fase I : Propagasi Maju Langkah 3 : Tiap unit masukan menerima sinyal dan meneruskannya ke unit tersembunyi diatasnya Langkah 4 : Hitung semua keluaran di unit tersembunyi 𝑧𝑗 (𝑗 = 1,2, … , 𝑝) 𝑧_𝑛𝑒𝑡𝑗 = 𝑣𝑗0 + ∑𝑛𝑖=1 𝑥𝑖 𝑣𝑗𝑖 …….(2) 𝑧𝑗 = 𝑓(𝑧𝑛𝑒𝑡 𝑗 ) =. 1 1+ 𝑒. −𝑧_𝑛𝑒𝑡𝑗. …….(3). Langkah 5 : Hitung semua keluaran jaringan di unit 𝑦𝑘 (𝑘 = 1,2, … , 𝑚) 𝑦_𝑛𝑒𝑡𝑘 = 𝑤𝑘0 + ∑𝑝𝑗=1 𝑧𝑗 𝑤𝑘 𝑗 ……(4) 𝑦𝑘 = 𝑓 (𝑦𝑛𝑒𝑡 𝑘 ) =. 1 1+𝑒 −𝑦_𝑛𝑒𝑡𝑘. ……..(5). Fase II : Propagasi Mundur Langkah 6 : Hitung factor  unit keluaran berdasarkan kesalahan di setiap unit keluaran 𝑦𝑘 (𝑘 = 1,2, … , 𝑚). 15.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. 𝛿𝑘 = (𝑡𝑘 − 𝑦𝑘 )𝑓 ′ (𝑦𝑛𝑒𝑡 𝑘 ) = (𝑡𝑘 − 𝑦𝑘 )𝑦𝑘 (1 − 𝑦𝑘 )….(6) 𝛿𝑘 merupakan unit kesalahan yang akan dipakai dalam perubahan bobot layar dibawahnya (langkah 7) Hitung suku perubahan bobot 𝑤𝑘𝑗 (yang akan dipakai nanti untuk merubah bobot 𝑤𝑘𝑗 ) dengan laju percepatan  ∆𝑤𝑘𝑗 = 𝛼 𝛿𝑘 𝑧𝑗. ……(7). k=1,2,…,m ; j=0,1,…,p Langkah 7 : Hitung factor  unit tersembunyi berdasarkan kesalahan disetiap unit tersembunyi 𝑧𝑗 (j=1,2,…p) 𝛿_𝑛𝑒𝑡𝑗 = ∑𝑚 𝑘=1 𝛿𝑘 𝑤𝑘𝑗 ………..(8) Factor  unit tersembunyi : 𝛿𝑗 = 𝛿_𝑛𝑒𝑡𝑗 𝑓 ′ (𝑧𝑛𝑒𝑡 𝑗 ) = 𝛿_𝑛𝑒𝑡𝑗 = 𝛿𝑛𝑒𝑡 𝑗 𝑧𝑗 (1 − 𝑧𝑗 )…..(9) Hitung suku perubahan bobot 𝑣𝑗𝑖 (yang akan dipakai nanti untuk merubah bobot 𝑣𝑗𝑖 ) ∆𝑣𝑗𝑖 = 𝛼 𝛿𝑗 𝑥𝑖 …………….(10) j=1,2,…,p ; i=0,1,…,n Fase III : Perubahan Bobot Langkah 8 : Hitung semua perubahan bobot Perubahan bobot garis yang menuju ke unit keluaran : 𝑤𝑘𝑗 (𝑏𝑎𝑟𝑢) = 𝑤𝑘𝑗 (𝑙𝑎𝑚𝑎) + ∆𝑤𝑘𝑗 …..(11). 16.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. (k=1,2,…,m ; j=0,1,…,p) 𝑣𝑗𝑖 (𝑏𝑎𝑟𝑢) = 𝑣𝑗𝑖 (𝑙𝑎𝑚𝑎) + ∆𝑣𝑗𝑖 ……(12) (j=1,2,..p ; i=0,1,2,…,n). 17.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. BAB 3 METODE PENELITIAN. Bab ini berisi proses pengolahan data yang digunakan dalam penelitian, prosedur yang dilakukan dalam proses ekstraksi ciri dan proses jaringan syaraf tiruan, dan evaluasi nilai hasil pengenalan. 3. 1. Data Data yang digunakan dalam pengenalan huruf untuk sandi kotak ini berjumlah 26 karakter. Data gambar sandi kotak diambil melalui internet, kemudian data dibuat tulis tangan menggunakan spidol dan pensil.. Gambar 3.1. 26 Motif Sandi Kotak I Data sandi kotak dibuat dengan pensil dan spidol masing-masing sebanyak 26 karakter. Setiap motif sandi kotak ditulis sebanyak 3 kali menggunakan pensil dan 3 kali menggunakan spidol. Jumlah masing-masing data untuk pensil dan spidol adalah sebanyak 78, maka total data yang digunakan adalah 156 data. Data dibuat dengan pensil dan spidol dengan tujuan membedakan ketebalan dari tiap motif.. 18.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Gambar 3.2. Contoh Motif Sandi Kotak menggunakan pensil dan spidol. 3. 2. Spesifikasi Perangkat 3.2.1. Hardware Spesifikasi hardware adalah sebagai berikut : a. Komputer/Laptop dengan spesifikasi 1) Processor Intel(R) Core(TM) i3-4030 CPU @ 1.90GHz 2) RAM 2.00 GB 3) System Type 64-bit 4) Windows 7 Ultimate b. Scanner Canon (Mp 230). 3.2.2. Software Software yang digunakan dalam sistem ini adalah a. Microsoft Office b. MATLAB R2017a. c. Gimp 2. 19.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. 3. 3. Prosedur Kerja Dalam penelitian ini dilakukan beberapa proses kerja yaitu pengolahan data, preprocessing, ekstraksi ciri dan proses jaringan syaraf tiruan metode backpropagation. Proses diawali dengan pengolahan data, preprocessing data, mengambil ciri data sandi kotak, kemudian hasil ekstraksi ciri dimasukkan kedalam pelatihan arsitektur jaringan syaraf tiruan dengan parameter yang telah ditentukan. Dari hasil model jaringan tersebut sehingga diperoleh model jaringan yang menghasilkan tingkat keberhasilan terbaik. Pada data yang telah di ekstraksi ciri juga dilakukan pengujian data. Proses secara umum dapat dilakukan dari blog diagram berikut.. Data. Preprocessing. Output. Ekstraksi Ciri. Backpropagation. Gambar 3.3. Blog Diagram Sistem 3.3.1. Data Data dibuat dengan tulis tangan menggunakan pensil dan spidol. Motif sandi kotak ditulis sebanyak 3 kali untuk pulpen dan sebanyak 3 kali untuk spidol. Data dibuat menggunakan pulpen dan spidol untuk mendapatkan perbedaan ketebalan motif sandi kotak. 1. Pengolahan data Pengolahan data dilakukan dalam beberapa tahap. Tahap-tahap tersebut antara lain : a. Men-scan data Men-scan data dilakukan untuk mengubah data dari tulisan tangan dijadikan data digital dan dimasukkan ke dalam laptop. b. Pemotongan data gambar. 20.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Pemotongan data gambar dilakukan dengan memotong gambar yang telah di scan perhalaman untuk diambil permotifnya dan dijadikan data digital yang lebih spesifik.. Gambar 3.4. Contoh gambar scan yang telah dipotong Pada penelitian ini ukuran pemotongan gambar sebesar 140x140 permotifnya. 3.3.2. Preprocessing Pada penelitian ini pemrosesan citra dilakukan dengan langkahlangkah berikut: 1. Resizing citra Pada langkah ini dilakukan pengubahan gambar berbentuk persegi dengan ukuran 200x200. Hal ini dilakukan agar data yang dilakukan agar semua data gambar berukuran sama. 2. Komplemen citra Pada langkah ini dilakukan pengambilan complement dari gambar, hal ini dilakukan untuk menemukan semua struktur yang kecil, sehingga nilai-nilai piksel struktur lebih tinggi daripada latar belakang.. 21.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Gambar 3.5. Perubahan gambar setelah dilakukan complement 3. Mengubah citra warna Pada penelitian ini dilakukan pengubahan dari citra warna ke citra keabuan kemudian ke citra hitam putih. Pengubahan citra dari grayscale ke dalam bentuk biner dilakukan dengan nilai threshold yang ditentukan dengan menggunakan fungsi graythresh. Hasil dari proses pada tiap layernya akan menghasilkan biner dengan nilai 0 dan 1. 4.. Penipisan citra Penipisan citra dilakukan untuk mengubah ukuran citra menjadi lebih kecil karena hanya informasi penting saja yang diambil. Penipisan citra juga dapat mengurangi penggunaan memori, memudahkan analisis struktur sebuah obyek dan dapat digunakan untuk klasifikasi pada pengenalan pola.. Gambar 3.6. Perubahan gambar setelah dilakukan thinning. 22.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. 3.3.3. Ekstraksi Ciri Pada penelitian ini pengambilan ciri citra diambil menggunakan diagram yang menggambarkan distribusi frekuensi nilai intensitas warna dalam suatu citra yang biasa disebut histogram (Praveen Kumar, Shivangi Garg, Sandeep Tiwari, 2012). Dari histogram tersebut diambil nilai mean (rata-rata) dan nilai standar deviasi. Pengambilan ciri juga dilakukan menggunakan algoritma intensitas karakter. Intensitas karakter digunakan untuk menghitung nilai piksel hitam pada sebuah citra. Pada proses ini dilakukan pembagian citra ke beberapa segmen yang lebih kecil, pembagian citra ini dimaksudkan untuk mempermudah dalam pencirian gambar. Pada penelitian ini citra dibagi menjadi 9 segmen. Intensitas karakter digunakan pada setiap segmen yang telah dibagi menjadi 9. Proses ektraksi ciri menggunakan inputan citra/gambar sandi kotak yang berjumlah 156 motif sandi. Dalam melakukan proses ekstraksi ciri dilakukan dengan beberapa tahap, yaitu: a. Mengambil ciri histogram kolom b. Mengambil ciri histogram baris c. Menghitung nilai mean dari histogram baris dan kolom d. Menghitung nilai standar deviasi dari histogram baris dan kolom e. Membagi citra menjadi 9 segmen f. Mencirikan citra pada tiap segmen menggunakan IOC (Intencity Of Character) untuk menghitung nilai piksel hitam (black) g. Menghitung nilai mean dan standar deviasi dari segmen 9.. 23.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Gambar 3.7. Contoh Citra dibagi menjadi 9 segmen Output yang dihasilkan dari proses ekstraksi ciri adalah nilai dari mean dan standar deviasi. Untuk mendapatkan jaringan yang optimal terlebih dahulu kita mengetahui ekstraksi ciri yang optimal pula. Dalam penelitian ini dilakukan kombinasi ciri (feature) untuk dapat menghasilkan ekstraksi ciri yang menghasilkan tingkat keberhasilan tertinggi. Berikut adalah langkah-langkah dalam ekstraksi ciri: 1. Fungsi Ambil Fitur a) Mulai b) Membaca citra gambar yang akan melakukan proses ekstraksi ciri c) Mengambil nilai histogram kolom dengan menjumlah nilainilai pada matrik citra d) Mengambil nilai histogram baris dengan menjumlah nilai pada setiap baris dari matrik citra 24.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. e) Menghitung nilai mean dan standar deviasi dari histogram kolom f) Menghitung nilai mean dan standar deviasi dari histogram baris g) Untuk mendapatkan ciri segmentasi 9, citra dibagi menjadi 9 bagian. Menghitung banyak garis dan kolom pada citra yang telah dibaca. h) Membagi 3 baris matriks citra yang ada r3=rows/3. Membagi 3 kolom matriks citra yang ada c3=columns/3 i) Membuat citra baru yang bernama im1 dari baris 1 sampai r3 dan dari kolom 1 sampai c3 j) Membuat citra baru bernama im2 dari baris 1 sampai r3 dari kolom c3+1 sampai 2xc3 k) Membuat citra baru bernama im3 dari baris 1 sampai r3 dan dari kolom 2xc3+1 sampai akhir dari kolom l) Membuat citra baru bernama im4 dari baris r3+1 sampai 2xr3 dan kolom 1 sampai c3 m) Membuat citra baru bernama im5 dari baris r3+1 sampai 2xr3 dan dari kolom c3+1 sampai 2xc3 n) Membuat citra baru bernama im6 berukuran dari baris r3+1 sampai 2xr3 dan dari kolom 2xc3+1 sampai akhir dari kolom o) Membuat citra baru bernama im7 dari baris 2xr3+1 sampai akhir baris dari baris dan kolom 1 sampai c3 p) Membuat citra baru bernama im8 dari baris 2xr3+1 sampai akhir dari baris dan dari kolom c3+1 sampai 2xc3 q) Membuat citra baru bernama im9 dari baris 2xr3+1 sampai akhir dari baris dan dari kolom 2xc3+1 sampai akhir dari kolom r) Menyediakan keluaran berupa citra baru im1, im2, im3, im4, im5, im6, im7, im8, im9. 25.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. s) Menghitung titik hitam yang ada pada setiap baris dan kolom dalam setiap segmen 1 sampai dengan segmen 9. t) Setelah didapatkan nilai titik hitam pada setiap segmen, lalu menghitung nilai mean dan standar deviasi dari setiap segmen. u) Selesai. 2. Intencity Of Character a) Mulai b) Mendapatkan jumlah kolom dan baris dari matriks citra c) Membuat counter dan di inisialisasi dengan angka 0 d) Untuk i=1 sampai kolom lakukan langkah e), jika sudah memenuhi kolom lakukan langkah g) e) Untuk j=1 sampai baris lakukan langkah f) jika sudah memenuhi sampai baris lakukan langkah d) f) Jika newimage(I,j) sama dengan 0 tambah nilai counter sebanyak 1 g) Selesai. 3.3.4. Backpropagation Mengambil data set ciri DataLatihSandiKotak menggunakan fungsi load dan menormalisasi data tersebut. Membuat target data dan dimasukkan ke variable t. Untuk melakukan pelatihan alat yang telat dibuat, pertama-tama dibuat sebuah jaringan backpropagation. Pada penelitian ini ada 6 data untuk setiap motifnya dan ada 26 motif jadi total semua huruf ada 156 motif. Untuk data pelatihan digunakan 4 data untuk setiap motif. Karena ada 26 motif maka total data motif sandi kotak yang digunakan untuk pelatihan ada sebanyak 104 motif.. 26.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Target yang telah disiapkan sebanyak 26 target karena terdapat 26 motif sandi kotak yang berupa matriks. Percobaan pelatihan dalam penelitian ini dilakukan sebanyak 6 kali, setiap percobaan dilakukan perubahan ciri yang dipakai untuk melihat peningkatan akurasinya saat pengujian. Arsitektur yang digunakan dalam penelitian ini adalah arsitektur dengan satu hidden layer. 1. Arsitektur Jaringan Syaraf Tiruan 1 hidden layer Contoh dengan menggunakan 6 ciri dengan inputan hasil ekstraksi ciri berjumlah 104, menggunakan 1 hidden layer dengan jumlah neuron pada hidden layer 1 sebanyak j, dan jumlah output sebanyak 26 berupa huruf latin. Motif sandi kotak berjumlah sebanyak 26, contoh motif dapat dilihat pada gambar dibawah: Tabel 3.1. 26 motif sandi kotak. Ciri yang digunakan adalah sebagai berikut: 1. Nilai mean dari histogram baris 2. Nilai standar deviasi dari histogram baris 3. Nilai mean dari histogram kolom. 27.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. 4. Nilai standar deviasi dari histogram kolom 5. Nilai mean dari IOC (Intencity Of Character) Segmen 9 6. Nilai standar deviasi dari IOC (Intencity Of Character) Segmen 9 Tabel 3.2. Contoh target dan output Target. Output. 00000000000000000000000001 00000000000000000000000010 00000000000000000000000100 00000000000000000000001000 00000000000000000000010000 00000000000000000000100000 00000000000000000001000000 00000000000000000010000000 00000000000000000100000000 00000000000000001000000000 00000000000000010000000000 00000000000000100000000000 00000000000001000000000000 00000000000010000000000000 00000000000100000000000000 00000000001000000000000000 00000000010000000000000000 00000000100000000000000000 00000001000000000000000000 00000010000000000000000000. 28.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. 00000100000000000000000000 00001000000000000000000000 00010000000000000000000000 00100000000000000000000000 01000000000000000000000000 10000000000000000000000000. Gambar 3.8. Arsitektur 1 hidden layer 3.3.5. Analisis data Menganalisa hasil uji dari alat yang telah dibuat. Alat yang telah dibuat dikatakan berhasil jika:. 29.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. 1. Ada tulisan tangan motif sandi kotak yang dapat terdeteksi dan dapat dikenali. 2. Presentase akurasi dari fungsi yang diterapkan lebih dari atau sama dengan 75% (75%) 𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =. 3. 4. 𝑏𝑎𝑛𝑦𝑎𝑘 𝑑𝑎𝑡𝑎 𝑏𝑒𝑛𝑎𝑟 𝑡𝑜𝑡𝑎𝑙 𝑑𝑎𝑡𝑎. x 100%. Gambaran Umum Sistem Rancangan sistem backpropagation pada penelitian ini meliputi data input yang merupakan data ciri dari sandi kotak yang dipakai. Untuk hidden layer hanya digunakan 1 hidden layer yang jumlah neuron bervariasi mulai dari 5,10… dilanjutkan dengan kelipatan 5 hingga 30. Keluarannya ada 26 karena target berupa matriks 26x1 yang akan dicocokkan pada target masing-masing motif. Rancangan ini sudah memenuhi rancangan sebuah jaringan backpropagation yang memiliki 3 komponen yaitu input, hidden layer, dan output. Sistem yang dibangun akan dipakai untuk mengenali sandi kotak menggunakan metode backpropagation. Motif yang dapat dikenali adalah 26 motif sandi kotak. Citra tulisan tangan sandi kotak di format .png. Citra yang akan dilakukan preprocessing awalnya berupa citra warna, dilakukan perubahan dari citra warna menjadi citra biner hitam putih. Setelah diubah menjadi citra biner maka dilakukan perubahan ukuran citra menjadi berukuran 200x200 piksel. Citra yang ukurannya telah berubah akan ditipiskan, kemudian citra yang telah ditipiskan tersebut disegmentasi menjadi 3x3 segmen. Setelah di segmentasi akan dilakukan ekstraksi ciri dimana setiap segmen dari sebuah citra akan diambil cirinya menggunakan algorutma intensitas karakter. Ciri yang digunakan juga diambil dari histogram, ciri yang diambil adalah mean dan standar deviasi dari histogram kolom, mean dan standar deviasi dari histogram baris. Ciri yang telah didapatkan dari sebuah citra akan dimasukkan kedalam sistem jaringan syaraf tiruan. 30.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. 3. 5. Rancangan Implementasi Dalam penelitian ini dibuat beberapa script untuk mengolah citra, membagi citra dalam segmen, mengambil ciri standar deviasi dari histogram kolom dan histogram baris, mengambil ciri rata-rata dari histogram kolom dan histogram baris, mengambil ciri intensitas of character, mengambil data ciri, membuat target, membagi target, pola jaringan, testing dan akurasi.. 3. 6. Model Desain Pada penelitian ini dibuat sebuah rancangan user interface atau tampilan desktop sehingga pengguna akan lebih mudah melihat hasil dari jalannya program. Rancangan user interface dapat dilihat pada gambar. 1. Menu Utama. Gambar 3.9. Interface Menu Utama. 31.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. 3. 7. Skenario Pengujian Pengujian dilakukan dengan membagi data untuk training dan testing. Jumlah data yang digunakan 156 motif dimana pada tiap hurufnya terdapat 6 data motif sandi kotak. Pembagian dilakukan dengan menggunakan 4 motif data ciri pada setiap motifnya sebagai data training dan 2 motif data ciri pada setiap motifnya sebagai data testing. Jadi total data training sebanyak 104 motif dan data testing sebanyak 52 motif sandi kotak. Percobaan akan dilakukan sebanyak 6 kali dengan menggunakan ciri 1 sampai ciri 6 berikut: 1. Kombinasi pertama menggunakan ciri 1 2. Kombinasi kedua menggunakan ciri 1 dan ciri 2 3. Kombinasi ketiga menggunakan ciri 1, ciri 2 dan ciri 3. 4. Kombinasi keempat menggunakan ciri 1, ciri 2, ciri 3, dan ciri 4. 5. Kombinasi kelima menggunakan ciri 1, ciri 2, ciri 3, ciri 4, dan ciri 5. 6. Kombinasi keenam menggunakan ciri 1, ciri 2, ciri 3, ciri 4, ciri 5, dan ciri 6. Pada saat akan melatih data telah disiapkan struktur jaringan menggunakan satu lapisan tersembunyi dengan jumlah unit neuron 5,10,… sampai dengan 30. Setelah proses training selesai maka akan dilakukan proses testing dimana data testing akan dimasukkan menggunakan struktur jaringan yang sama dengan struktur jaringan trainingnya. Setelah itu akan dilihat apakah akurasi dari pengenalan data testing tersebut sudah memenuhi atau belum. Jika sudah ditemukan akurasi yang terbaik maka struktur jaringan yang terbaik dan kombinasi ciri terbaik akan digunakan untuk menguji data tunggal yang telah disiapkan.. 32.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. BAB 4 HASIL UJI DAN ANALISIS. Dalam bab ini berisi mengenai hasil penelitian dan analisis hasil penelitian dari sistem yang telah dibuat. Hasil penelitian besisi perbandingan akurasi yang di peroleh dari percobaan metode backpropagation berdasarkan jumlah unit hidden layer yang digunakan. 4.1. Hasil Uji Pada penelitian ini, data total yang digunakan adalah sebanyak 156 motif. sandi kotak. Dengan pembagian data yang digunakan untuk data latih adalah sebanyak 104 motif sandi kotak dan untuk data uji adalah sebanyak 52 motif sandi kotak. Metode pembagian data pelatihan dan pengujian arsitektur JST yang digunakan adalah 3-Fold Cross Validation, data yang berjumlah 156 dibagi menjadi 3 bagian. Dari 3 bagian tersebut akan dilakukan 3 kali percobaan dalam proses pelatihan dan pengujian arsitektur JST. Berikut tabel penggunaan bagian dalam setiap percobaan:. Tabel 4.1. 3-Fold Cross Validation Percobaan. Training. Testing. 1. 1,2. 3. 2. 1,3. 2. 3. 2,3. 1. Peneliti melakukan percobaan dengan menggunakan 6 ciri. Pada setiap percobaan dilakukan dengan hanya menggunakan 1 ciri sampai dengan menggunakan 6 ciri. Setelah dilakukan percobaan terlihat ada peningkatan akurasi pada setiap penambahan ciri. Ciri yang digunakan adalah sebagai berikut:. 33.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. 1. Ciri 1 adalah nilai mean dari histogram kolom 2. Ciri 2 adalah nilai standar deviasi dari histogram kolom 3. Ciri 3 adalah nilai mean dari histogram baris 4. Ciri 4 adalah nilai standar deviasi dari histogram baris 5. Ciri 5 adalah nilai mean dari ciri IoC yang didapat dari 9 segmen 6. Ciri 6 adalah nilai standar deviasi dari ciri IoC yang didapan dari 9 segmen Dari seluruh percobaan variasi kombinasi ciri dan parameter arsitektur jaringan, maka diperoleh akurasi tertinggi dengan tabel sebagai berikut. Tabel 4.2. Hasil Akurasi Seluruh Percobaan Pengujian Jumlah Neuron. No. Ciri. 1. Ciri 1. 20. 13,46. 2. Ciri 1 dan ciri 2. 30. 63,46. 3. Ciri 1, ciri 2, ciri 3. 30. 90,38. 4. Ciri 1, ciri 2, ciri 3,. 15. 98,15. 25. 100. 5. 100. Hidden Layer 1. Akurasi (%). ciri 4 5. Ciri 1,ciri 2, ciri 3, ciri 4, ciri 5. 6. Ciri 1, ciri 2, ciri 3, ciri 4, ciri 5, ciri 6. Dari tabel 4.1 dapat dilihat akurasi tertinggi ada pada kombinasi ciri 5 dengan jumlah unit neuron 25 mendapatkan akurasi 100% dan ciri 6 dengan jumlah unit neuron 5 mendapatkan akurasi 100%. Perubahan naik turunnya akurasi dapat dilihat lebih jelas pada grafik berikut:. 34.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Grafik Perubahan Akurasi 120. 80 Akurasi. 98.15. 100. 100. Ciri 4. Ciri 5. Ciri 6. 90.38. 100. 63.46. 60 40 20. 13.46. 0 Ciri 1. Ciri 2. Ciri 3. Gambar 4.1. Grafik Perubahan Akurasi Adapun hasil dari setiap percobaan dapat dideskripsikan sebagai berikut: 1. Percobaan 1 Pada percobaan 1 dilakukan sebanyak 6 kali dengan menggunakan masingmasing 1 ciri. Berikut adalah ciri yang digunakan dalam percobaan 1. a. Ciri 1 adalah nilai mean dari histogram kolom b. Ciri 2 adalah nilai standar deviasi dari histogram kolom c. Ciri 3 adalah nilai mean dari histogram baris d. Ciri 4 adalah nilai standar deviasi dari histogram baris e. Ciri 5 adalah nilai mean dari ciri IoC yang didapat dari 9 segmen f. Ciri 6 adalah nilai standar deviasi dari ciri IoC yang didapan dari 9 segmen Hal yang diambil adalah jumlah lapisan tersembunyi ada 1, jumlah unit neuron pada lapisan tersembunyi adalah 5,10,…, sampai dengan 30. Jumlah iterasi yang dilakukan adalah sebanyak 100 kali.. 35.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Dari percobaan dengan menggunakan ciri 1 yaitu nilai mean dari histogram kolom telah didapatkan hasil sebagai berikut Tabel 4.3 Output program jaringan backpropagation pada ciri 1. Hidden. Total Data. Data Benar. Akurasi. Layer 1. Epochs. (%). 5. 104. 12. 11,53. 10. 10. 104. 10. 9.61. 5. 15. 104. 12. 11.53. 4. 20. 104. 14. 13.46. 3. 25. 104. 14. 13.46. 3. 30. 104. 10. 9.61. 3. Dapat dilihat dari data tabel 4.2 diatas bahwa ciri 1 mendapatkan akurasi tertinggi pada hidden layer 1 dengan jumlah neuron 20 dan 25 yaitu 13.46%. Perubahan naik turun tingkat akurasi dapat dilihat pada grafik diberikut ini:. Grafik Perubahan Akurasi 16% 14%. Akurasi. 12% 10% 8% 6% 4% 2% 0% 5. 10. 15. 20. Jumlah Neuron. Gambar 4.2. Grafik Perubahan Akurasi Ciri 1. 36. 25. 30.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Dari percobaan dengan menggunakan ciri 2 yaitu nilai standar deviasi dari histogram kolom telah didapatkan hasil sebagai berikut Tabel 4.4 Output program jaringan backpropagation pada ciri 2. Hidden. Total Data. Data Benar. Akurasi. Layer 1. Epochs. (%). 5. 104. 6. 5.76. 19. 10. 104. 8. 7.69. 11. 15. 104. 6. 5.76. 8. 20. 104. 6. 5.76. 7. 25. 104. 6. 5.76. 6. 30. 104. 10. 9.61. 6. Dapat dilihat dari data tabel 4.3 diatas bahwa ciri 2 mendapatkan akurasi tertinggi pada hidden layer 1 dengan jumlah neuron 30 yaitu 9.61%. Perubahan naik turun tingkat akurasi dapat dilihat pada grafik diberikut ini:. Grafik Perubahan Akurasi 12% 10%. Akurasi. 8% 6%. 4% 2% 0% 5. 10. 15. 20. Jumlah Neuron. Gambar 4.3. Grafik Perubahan Akurasi Ciri 2. 37. 25. 30.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Dari percobaan dengan menggunakan ciri 3 yaitu nilai mean dari histogram baris telah didapatkan hasil sebagai berikut Tabel 4.5 Output program jaringan backpropagation pada ciri 3. Hidden. Total Data. Data Benar. Akurasi. Layer 1. Epochs. (%). 5. 104. 6. 5.76. 11. 10. 104. 8. 7.69. 7. 15. 104. 6. 5.76. 5. 20. 104. 0. 0. 5. 25. 104. 4. 3.84. 5. 30. 104. 4. 3.84. 5. Dapat dilihat dari data tabel 4.4 diatas bahwa ciri 3 mendapatkan akurasi tertinggi pada hidden layer 1 dengan jumlah neuron 10 yaitu 7.69%. Perubahan naik turun tingkat akurasi dapat dilihat pada grafik diberikut ini:. Grafik Perubahan Akurasi 8% 7%. Akurasi. 6% 5% 4% 3% 2% 1% 0% 5. 10. 15. 20. Jumlah Neuron. Gambar 4.4. Grafik Perubahan Akurasi Ciri 3. 38. 25. 30.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Dari percobaan dengan menggunakan ciri 4 yaitu nilai standar deviasi dari histogram baris telah didapatkan hasil sebagai berikut Tabel 4.6 Output program jaringan backpropagation pada ciri 4. Hidden. Total Data. Data Benar. Akurasi. Layer 1. Epochs. (%). 5. 104. 6. 5.76. 23. 10. 104. 6. 5.76. 14. 15. 104. 6. 5.76. 10. 20. 104. 4. 3.84. 8. 25. 104. 4. 3.84. 7. 30. 104. 4. 3.84. 7. Dapat dilihat dari data tabel 4.5 diatas bahwa ciri 4 mendapatkan akurasi tertinggi pada hidden layer 1 dengan jumlah neuron 5,10 dan 15 yaitu 5.76%. Perubahan naik turun tingkat akurasi dapat dilihat pada grafik diberikut ini:. Grafik Perubahan Akurasi 6% 5%. Akurasi. 4% 3%. 2% 1% 0% 5. 10. 15. 20. Jumlah Neuron. Gambar 4.5. Grafik Perubahan Akurasi Ciri 4. 39. 25. 30.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Dari percobaan dengan menggunakan ciri 5 yaitu nilai mean dari segmentasi 9 telah didapatkan hasil sebagai berikut Tabel 4.7 Output program jaringan backpropagation pada ciri 5. Hidden. Total Data. Data Benar. Akurasi. Layer 1. Epochs. (%). 5. 104. 4. 3.84. 25. 10. 104. 4. 3.84. 17. 15. 104. 4. 3.84. 14. 20. 104. 4. 3.84. 11. 25. 104. 4. 3.84. 10. 30. 104. 4. 3.84. 8. Dapat dilihat dari data tabel 4.5 diatas bahwa ciri 5 mendapatkan akurasi yang sama pada setiap jumlah neuron yaitu 3.84%. Perubahan naik turun tingkat akurasi dapat dilihat pada grafik diberikut ini:. Grafik Perubahan Akurasi 4% 4%. Akurasi. 3% 3% 2% 2% 1% 1% 0% 5. 10. 15. 20. Jumlah Neuron. Gambar 4.6. Grafik Perubahan Akurasi Ciri 5. 40. 25. 30.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Dari percobaan dengan menggunakan ciri 6 yaitu nilai standar deviasi dari segmentasi 9 telah didapatkan hasil sebagai berikut Tabel 4.8 Output program jaringan backpropagation pada ciri 6. Hidden. Total Data. Data Benar. Akurasi. Layer 1. Epochs. (%). 5. 104. 4. 3.84. 6. 10. 104. 4. 3.84. 2. 15. 104. 4. 3.84. 1. 20. 104. 4. 3.84. 1. 25. 104. 4. 3.84. 1. 30. 104. 4. 3.84. 2. Dapat dilihat dari data tabel 4.6 diatas bahwa ciri 6 mendapatkan akurasi yang sama pada setiap jumlah neuron yaitu 3.84%. Perubahan naik turun tingkat akurasi dapat dilihat pada grafik diberikut ini:. Grafik Perubahan Akurasi 4% 4%. Akurasi. 3% 3% 2% 2% 1% 1% 0% 5. 10. 15. 20. Jumlah Neuron. Gambar 4.7. Grafik Perubahan Akurasi Ciri 6. 41. 25. 30.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. 2. Percobaan 2 Pada percobaan 2 dilakukan menggunakan 2 ciri yaitu nilai mean dari histogram kolom dan standar deviasi dari histogram kolom. Hal yang diambil adalah jumlah lapisan tersembunyi ada 1, jumlah unit neuron pada lapisan tersembunyi adalah 5,10,…, sampai dengan 30. Jumlah iterasi yang dilakukan adalah sebanyak 100 kali. Dari percobaan 2 telah didapatkan hasil sebagai berikut. Tabel 4.9 Output jaringan backpropagation pada percobaan 2 Hidden. Total Data. Data Benar. Layer 1. Akurasi. Epochs. (%). 5. 104. 46. 44.23. 19. 10. 104. 50. 48.07. 13. 15. 104. 50. 48.07. 10. 20. 104. 52. 50. 8. 25. 104. 53. 50.96. 7. 30. 104. 66. 63.46. 7. Dapat dilihat dari data tabel 4.2 diatas bahwa percobaan 2 mendapatkan akurasi tertinggi pada hidden layer 1 dengan jumlah neuron 30 yaitu 63.46%. Perubahan naik turun tingkat akurasi dapat dilihat pada grafik diberikut ini:. 42.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Grafik Perubahan Akurasi 70% 60%. Akurasi. 50% 40% 30% 20% 10% 0% 5. 10. 15. 20. 25. 30. Jumlah Neuron. Gambar 4.8. Grafik Perubahan Akurasi Percobaan 2 3. Percobaan 3 Pada percobaan 3 dilakukan menggunakan 3 ciri yaitu nilai mean dari histogram kolom, standar deviasi dari histogram kolom, dan nilai mean dari histogram baris. Hal yang diambil adalah jumlah lapisan tersembunyi ada 1, jumlah unit neuron pada lapisan tersembunyi adalah 5,10,…, sampai dengan 30. Jumlah iterasi yang dilakukan adalah sebanyak 100 kali. Dari percobaan 3 telah didapatkan hasil sebagai berikut. Tabel 4.10 Output jaringan backpropagation pada percobaan 3 Hidden. Total Data. Data Benar. Layer 1. Akurasi. Epochs. (%). 5. 104. 86. 82.69. 19. 10. 104. 87. 83.65. 13. 15. 104. 84. 80.76. 11. 20. 104. 84. 80.76. 9. 25. 104. 86. 82.69. 8. 30. 104. 94. 90.38. 8. 43.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Dapat dilihat dari data tabel 4.3 diatas bahwa percobaan 3 mendapatkan akurasi tertinggi pada hidden layer 1 dengan jumlah neuron 30 yaitu 90.38%. Perubahan naik turun tingkat akurasi dapat dilihat pada grafik diberikut ini:. Grafik Perubahan Akurasi 92% 90% 88% Akurasi. 86% 84% 82% 80% 78%. 76% 74% 5. 10. 15. 20. 25. 30. Jumlah Neuron. Gambar 4.9. Grafik Perubahan Akurasi Percobaan 3 4. Percobaan 4 Pada percobaan 4 dilakukan menggunakan 4 ciri yaitu nilai mean dari histogram kolom, standar deviasi dari histogram kolom, nilai mean dari histogram baris dan nilai standar deviasi dari histogram baris. Hal yang diambil adalah jumlah lapisan tersembunyi ada 1, jumlah unit neuron pada lapisan tersembunyi adalah 5,10,…, sampai dengan 30. Jumlah iterasi yang dilakukan adalah sebanyak 100 kali. Dari percobaan 4 telah didapatkan hasil sebagai berikut. Tabel 4.11 Output jaringan backpropagation pada percobaan 4 Hidden. Total Data. Data Benar. Layer 1. Akurasi. Epochs. (%). 5. 104. 94. 90.38. 20. 10. 104. 102. 98.07. 15. 44.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. 15. 104. 100. 96.15. 12. 20. 104. 102. 98.07. 11. 25. 104. 98. 94.23. 10. 30. 104. 101. 97.11. 9. Dapat dilihat dari data tabel 4.4 diatas bahwa percobaan 4 mendapatkan akurasi tertinggi pada hidden layer 1 dengan jumlah neuron 10 dan 20 yaitu 98.07%. Perubahan naik turun tingkat akurasi dapat dilihat pada grafik diberikut ini:. Grafik Perubahan Akurasi 100% 98%. Akurasi. 96%. 94% 92% 90% 88% 86% 5. 10. 15. 20. 25. 30. Jumlah Neuron. Gambar 4.10. Grafik Perubahan Akurasi Percobaan 4. 5. Percobaan 5 Pada percobaan 5 dilakukan menggunakan 5 ciri yaitu nilai mean dari histogram kolom, standar deviasi dari histogram kolom, nilai mean dari histogram baris, nilai standar deviasi dari histogram baris dan nilai mean dari ciri IoC segmen 9. Hal yang diambil adalah jumlah lapisan tersembunyi ada 1, jumlah unit neuron pada lapisan tersembunyi adalah. 45.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. 5,10,…, sampai dengan 30. Jumlah iterasi yang dilakukan adalah sebanyak 100 kali. Dari percobaan 5 telah didapatkan hasil sebagai berikut Tabel 4.12 Output jaringan backpropagation pada percobaan 5 Hidden. Total Data. Data Benar. Akurasi. Layer 1. Epochs. (%). 5. 104. 102. 98.07. 28. 10. 104. 102. 98.07. 16. 15. 104. 102. 98.07. 13. 20. 104. 102. 98.07. 11. 25. 104. 104. 100. 11. 30. 104. 104. 100. 5. Dapat dilihat dari data tabel 4.5 diatas bahwa percobaan 5 mendapatkan akurasi tertinggi pada hidden layer 1 dengan jumlah neuron 25 dan 30 yaitu 100%. Perubahan naik turun tingkat akurasi dapat dilihat pada grafik diberikut ini:. Grafik Perubahan Akurasi 101% 100%. Akurasi. 100% 99% 99% 98% 98% 97% 5. 10. 15. 20. 25. Jumlah Neuron. Gambar 4.11. Grafik Perubahan Akurasi Percobaan 5 46. 30.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. 6. Percobaan 6 Pada percobaan 6 dilakukan menggunakan 6 ciri yaitu nilai mean dari histogram kolom, standar deviasi dari histogram kolom, nilai mean dari histogram baris, nilai standar deviasi dari histogram baris, nilai mean dari ciri IoC segmen 9 dan nilai standar deviasi dari ciri IoC segmen 9. Hal yang diambil adalah jumlah lapisan tersembunyi ada 1, jumlah unit neuron pada lapisan tersembunyi adalah 5,10,…, sampai dengan 30. Jumlah iterasi yang dilakukan adalah sebanyak 100 kali. Dari percobaan 6 telah didapatkan hasil sebagai berikut Tabel 4.13 Output jaringan backpropagation pada percobaan 6 Hidden. Total Data. Data Benar. Layer 1. Akurasi. Epochs. (%). 5. 104. 104. 100. 28. 10. 104. 104. 100. 16. 15. 104. 104. 100. 12. 20. 104. 104. 100. 11. 25. 104. 104. 100. 10. 30. 104. 104. 100. 10. Dapat dilihat dari data tabel 4.5 diatas bahwa percobaan 6 mendapatkan akurasi tertinggi pada hidden layer 1 yaitu 100% pada setiap unit neuron yang ditentukan. Perubahan naik turun tingkat akurasi dapat dilihat pada grafik diberikut ini:. 47.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. Series 1 100% 90% 80% 70% 60% 50%. Series 1. 40% 30% 20% 10% 0% 5. 10. 15. 20. 25. 30. Gambar 4.12. Grafik Perubahan Akurasi Percobaan 6 4.2. Testing Data Tunggal Pada penelitian ini dilakukan pula testing data tunggal dengan. menggunakan 2 data dari setiap hurufnya, jadi total data yang digunakan untuk testing data tunggal ada 52 motif. Karena hasil terbaik merupakan pada percobaan 6 dengan menggunakan semua ciri maka yang akan digunakan sebagai acuan pengujian adalah percobaan 6. Hasil testing data tersebut sebagai berikut. Tabel 4.14 Hasil testing data Output No. Tidak. Input Motif 1. Dikenali. dikenali. Akurasi. Motif 2. 1. A. A. A. 2. 0. 100%. 2. B. B. B. 2. 0. 100%. 3. C. C. C. 2. 0. 100%. 4. D. D. D. 2. 0. 100%. 5. E. E. E. 2. 0. 100%. 48.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. 6. F. F. F. 2. 0. 100%. 7. G. G. G. 2. 0. 100%. 8. H. H. H. 2. 0. 100%. 9. I. I. I. 2. 0. 100%. 10. J. J. J. 2. 0. 100%. 11. K. K. K. 2. 0. 100%. 12. L. L. L. 2. 0. 100%. 13. M. M. M. 2. 0. 100%. 14. N. N. N. 2. 0. 100%. 15. O. O. O. 2. 0. 100%. 16. P. P. P. 2. 0. 100%. 17. Q. Q. Q. 2. 0. 100%. 18. R. R. R. 2. 0. 100%. 19. S. S. Y. 1. 1. 50%. 20. T. W. T. 1. 1. 50%. 21. U. U. U. 2. 0. 100%. 22. V. V. V. 2. 0. 100%. 23. W. W. W. 2. 0. 100%. 24. X. X. X. 2. 0. 100%. 25. Y. Y. Y. 2. 0. 100%. 26. Z. S. Z. 1. 1. 50%. 49. 3. Jumlah Rata-rata akurasi. Pada hasil percobaan diatas memperoleh hasil dengan total data yang dikenali ada sebanyak 49 motif dan yang tidak dikenali sebanyak 3 motif.. 49.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. 4.3. Analisis Data Setelah melakukan percobaan sebanyak 6 kali dengan menambah ciri yang. digunakan terlihat adanya perubahan akurasi ketika dilakukan perubahan tersebut. Hasil terbaik dari percobaan yang dilakukan dapat dilihat pada tabel 4.5, dengan banyaknya data yang terbaca terdapat pada percobaan 6 sebanyak 104 motif dari 104 motif dengan akurasi 100% dengan menggunakan 6 ciri. Dapat dilihat pula data yang terbaca paling sedikit terdapat pada percobaan 1 sebanyak 10 motif dari 104 motif dengan akurasi 9.61% dengan menggunakan 1 ciri. Dari data tersebut dapat dikatakan bahwa alat ini dapat mengenali motif sandi kotak. Dengan dilakukannya perubahan atau penambahan ciri pada jaringan syaraf tiruan didapatlah peningkatan presentase untuk data dengan menggunakan 6 ciri. Jadi untuk meningkatkan presentase keberhasilan dapat dilakukan dengan penggunakan ciri dan banyaknya neuron. Dilakukan juga pengujian terhadap data tunggal untuk melihat hasil dari pelatihan jaringan yang dilakukan. Dari pengujian tersebut didapatkan hasil yang baik, ada 49 motif yang dapat dikenali dan 2 motif yang tidak dapat dikenali. Dari hasil yang diperoleh dari penelitian ini tentang pengenalan huruf menggunakan sandi kotak menggunakan metode backpropagation maka diketahui bahwa: 1) Pada penelitian ini terdapat 104 motif sandi kotak yang dapat terdeteksi dan dikenali, maka dapat dikatakan algoritma backpropagation dapat mengenali motif sandi kotak. 2) Presentase akurasi pada penelitian ini adalah sebesar 100%. Maka dapat dikatakan penelitian ini berhasil karena sudah memenuhi tujuan penelitian karena tingkat akurasi keberhasilan sudah melebihi 80% presentase keberhasilan.. 50.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. BAB 5 PENUTUP. 5.1. Kesimpulan Pada penelitian ini telah didapatkan bahwa metode backpropagation dapat. digunakan untuk mengenali motif sandi kotak. Hal ini dapat dilihat dengan adanya motif yang terbaca dengan tepat oleh ahli uji backpropagation. Tingkat akurasi tertinggi dapat dilihat pada percobaan 6 sebesar 100% menggunakan sebanyak 6 ciri yang merupakan nilai mean dari histogram kolom, nilai standar deviasi dari histogram kolom, nilai mean dari histogram baris, nilai standar deviasi dari histogram baris, nilai mean dari ciri IoC segmen 9, dan nilai standar deviasi dari ciri IoC segmen 9. Jaringan yang digunakan adalah jaringan dengan 1 lapisan tersembunyi dan 1 lapisan keluaran, dengan jumlah unit neuron bervariasi 5,10,…, kelipatan 5 sampai dengan 30. Iterasi yang terjadi sebesar 28 kali dengan MSE 0.0494.. 5.2. Saran Bagi peneliti yang akan menggunakan algoritma backpropagation untuk. pengenalan huruf untuk sandi kotak menggunakan metode backpropagation, alat ini dapat ditingkatkan. Peningkatan tersebut dapat dilakukan dengan cara memberi nilai untuk bobot.. 51.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI. DAFTAR PUSTAKA Siang, J J. 2005. Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan Matlab. Yogyakarta: Andi Offset. Kadir, A. dan Susanto, A., 2013, Teori dan Aplikasi Pengolahan Citra. Yogyakarta: Andi Offset Letsoin, B N N. 2010. Penerapan Metode Backpropagation Jaringan Syaraf Tiruan Untuk Konversi Sandi Kotak Rangkap Ke Huruf Latin. Universitas Kristen Duta Wacana. Minartiningtiyas,. B. A.. 2013.. Pengenalan. Pola.. http://informatika.web.id/category/pengenalan-pola/. Di akses tanggal 16 november 2015. Kumar,P, Shivangi,G, & Tiwari,S. (2012) “Character Recognition using Neural Network”, IJCST Vol 3, Issue 2, pp. 978-981. Farm,. P.. 2007.. Jaringan. Syaraf. https://onesmart.wordpress.com/category/jaringan-syaraf-tiruan/.. Tiruan. Diakses. tanggal 11 april 2018. Sunarya,I,M,G,. Kesiman,M,W,A,. & Purnami,I,A,P. (2015) “Segmentasi. Citra Tulisan Tangan Aksara Bali Berbasis Proyeksi Vertikal dan Horizontal”, Jurnal Informatika Vol.9, No.1, pp.982-992. Maulana,. A.. 2013.. Pengenalan. Pola. Citra. (Thinning).. https://anggamaulana20.wordpress.com/2013/12/06/penipisan-pola-citrathinning/. Diakses tanggal 15 april 2018. Pamungkas, A. Pengolahan Citra Digital – Ekstraksi Ciri Citra. https://pemrogramanmatlab.com/pengolahan-citra-digital/ekstraksi-ciri-citradigital/. Diakses tanggal 15 april 2018.. 52.